【课题推荐发表期刊】

【课题背景】

遥感和医学图像的Low/High-level Vision应用是计算机视觉领域的一个重要研究方向，它结合了遥感技术和医学图像处理技术，通过分析图像中的低级和高级特征来实现对图像内容的理解和解释。

遥感和医学图像具有独特的特征和挑战，如高分辨率、多尺度、高维度等，传统的视觉方法难以直接应用。系统地研究遥感和医学图像的Low/High-level视觉应用，有望突破现有方法的瓶颈，发展出更加智能和实用的视觉分析工具，同时为相关行业的决策制定和诊疗辅助提供有力支撑，如灾害监测、疾病诊断、精准治疗等。同时，研究成果也可以扩展至其他类型的图像数据，具有广泛的应用前景和重要的理论价值。

【课题方向参考】

• 研究面向遥感和医学图像的Low-level视觉算法，如图像去噪、超分辨率重建、图像增强等，提高图像质量和可解释性。

• 探索High-level视觉任务在遥感和医学领域的应用，如图像分割、目标检测、语义理解等，实现对复杂场景的精细化解析。

• 设计适应遥感和医学图像特点的深度学习模型，如注意力机制、多尺度融合、域适应等，提高模型的泛化能力和鲁棒性。

• 研究知识驱动的视觉方法，将先验知识和领域规则引入模型设计，增强模型的可解释性和可靠性。

• 开发高效的数据标注和增强技术，解决遥感和医学图像标注成本高、样本稀缺等问题。

【适合人群】

计算机科学相关专业的硕士研究生，对遥感分析任务及应用（包括但不限于多模态气象、土地、海洋遥感等）感兴趣，需具备一定的机器学习和深度学习研究基础，熟悉pytorch框架。

【课题收获】

• 高质量论文一篇（CCF定向期刊）

• CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Chen，QS世界大学排名前100高校博士

• 长期担任多个顶级期刊/会议的审稿人，包括IEEE TNNLS、IEEE TKDE、CVPR、ICCV、IJCAI、NeurIPS、ICLR、ICML、AAAI、KBS等

• 研究方向：计算机视觉、时间序列、联邦学习、AI4Science等；

• 以第一作者身份，在行业顶尖期刊/会议上发表超过20篇论文，包括IEEE TGRS、IEEE JBHI、Knowledge-Based System、IJCAI、NeurIPS、ICLR等

• 具备丰富的英文写作经验和学术指导经验；熟练使用Python、掌握 Java、掌握C++, 熟练使用Pytorch、Tensorflow、Keras，能够根据不同的实际任务独立搭建网络模型、训练、测试和调优，熟悉掌握数据集预处理技巧，可以在Linux上进行模型训练、调优；熟悉Transformer、RNN、CNN等常用网络模型

【课题安排】

研究周期预估六个月左右，具体视学员情况调整

【推荐阅读】

• 2022 Deep learning for change detection in remote sensing: a review

• 2022 Deep learning in multimodal remote sensing data fusion: A comprehensive review

• 2023 A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities